本文研究了代碼推薦的方法,針對高校C語言課程的編程練習(xí),在學(xué)生編寫程序過程中提供不同粒度的代碼推薦方案。學(xué)生練習(xí)編寫程序過程中會由于編程經(jīng)驗不足、語法不熟悉等原因突然暫停住,又因為不能及時得到老師同學(xué)的幫助,不知道下一步的編程思路,給學(xué)生的編程學(xué)習(xí)造成很大困難。一些集成開發(fā)環(huán)境（IDE）都包含了代碼推薦功能,但是IDE通常是基于編程語言的靜態(tài)類型分析對屬性、方法和參數(shù)列表的推薦,所提出的代碼方案往往與當(dāng)前的編程上下文環(huán)境無關(guān),并且這些推薦的結(jié)果是按照字母順序排列的,沒有考慮推薦結(jié)果與當(dāng)前環(huán)境上下文的相關(guān)性。本課題利用人工智能技術(shù)和在線編程課程提供的大量參考代碼,研究代碼推薦方法及其在學(xué)生編程指導(dǎo)中的應(yīng)用。利用大量正確的學(xué)生程序,通過人工智能算法,從單詞、句子、和代碼塊三個不同粒度學(xué)習(xí)程序的內(nèi)在結(jié)構(gòu)邏輯和編程模式,從而根據(jù)程序的當(dāng)前上下文,對編程困難的學(xué)生提供編程幫助。針對上述問題,本文完成了如下工作:基于循環(huán)神經(jīng)網(wǎng)絡(luò)的token詞推薦。此方法根據(jù)當(dāng)前程序上下文的token序列推薦下一個token詞。利用詞法分析將程序token化,對token進(jìn)行標(biāo)準(zhǔn)化以減少代碼多樣性的影響。利用循環(huán)神... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

代碼推薦流程圖

哈爾濱工業(yè)大學(xué)碩士學(xué)位論文2.2 相關(guān)技術(shù)與理論2.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介在最初的神經(jīng)網(wǎng)絡(luò)模型-全連接網(wǎng)絡(luò)中，層與層之間是完全連接的，但是層內(nèi)的節(jié)點是相互分開的。全連接網(wǎng)絡(luò)對于一些序列問題不能很好的處理。例如，在處理一個句子中的下一個單詞的預(yù)測的問題時，全連接網(wǎng)絡(luò)就無能為力。因為句子中的單詞通常不是相互無關(guān)獨立的，當(dāng)前單詞的預(yù)測通常要用到前面的幾個單詞。循環(huán)神經(jīng)網(wǎng)絡(luò)是為了處理序列數(shù)據(jù)而提出的，表現(xiàn)的具體形式為網(wǎng)絡(luò)能夠記憶先前的信息并將其應(yīng)用于當(dāng)前輸出的計算，即隱藏層之間的節(jié)點不再相互獨立而是連接的，并且隱藏層的輸入不僅包括輸入層的輸出，還包括前一時刻的隱藏層的輸出[24]。理論上，RNN 可以處理任何長度的序列數(shù)據(jù)。然而在實際使用中，為了降低復(fù)雜性，通常假設(shè)當(dāng)前狀態(tài)僅與先前的幾個狀態(tài)相關(guān)，傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 2-1 所示。

哈爾濱工業(yè)大學(xué)碩士學(xué)位論文經(jīng)網(wǎng)絡(luò)中在 t 時間步內(nèi)的運行流程如圖 2-2 所示，輸入藏層 ht-1和當(dāng)前時間步的輸入 xt的級聯(lián)，其中 ht-1是一個開始的時間步 0 到上一時間步 t-1 的歷史信息，xt是輸入詞向量 xt與以前的歷史信息 ht-1相結(jié)合，生成當(dāng)前的隱歷史向量 ht，基于當(dāng)前的 ht，可以預(yù)測下一個出現(xiàn)某個單出層 ot�？傊�，新的歷史信息 ht被用于對未來的預(yù)測， xt進(jìn)行更新。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的程序生成與補全技術(shù)研究進(jìn)展[J]. 胡星,李戈,劉芳,金芝.  軟件學(xué)報. 2019(05)
[2]一種C程序代碼相似度檢測方法[J]. 王卉.  福建電腦. 2018(06)
[3]一種程序源代碼相似度度量方法[J]. 古平,張鋒,周海濤.  計算機工程. 2012(06)
[4]程序代碼相似度度量的研究與實現(xiàn)[J]. 于海英.  計算機工程. 2010(04)



本文編號：3435975